Hvorfor AI fejlede under oversvømmelserne i Texas i 2025: Vigtige lektioner for katastrofehåndtering

I juli 2025 oplevede Texas en af de mest alvorlige oversvømmelser i sin historie. Katastrofen krævede mere end 145 liv og forårsagede skader for milliarder af dollars. Mange lokalsamfund var uforberedte på den stigende vandstands hastighed og kraft. Dette skete på trods af udbredt tro på, at Artificial Intelligence (AI) at forudsige og håndtere sådanne hændelser.

I årevis er kunstig intelligens blevet præsenteret som en vigtig løsning til at forudse ekstremt vejr. Regeringer og eksperter har benyttet den til at forbedre tidlige varslingssystemer. Under denne krise fungerede teknologien dog ikke som forventet. Denne hændelse viser, at selvom kunstig intelligens tilbyder mange fordele, har den også begrænsninger. Disse begrænsninger skal forstås og håndteres klart for at forbedre den offentlige sikkerhed i lyset af fremtidige klimarelaterede nødsituationer.

Oversvømmelserne i Texas i 2025: Et vækkeur

Den 4. juli 2025 oplevede det centrale Texas en af de dødeligste oversvømmelser i landet i nyere amerikansk historie. Kendt som en del af Pludselig oversvømmelsesgade, regionen havde allerede oplevet dage med kraftig nedbør. Men på denne dag forværredes forholdene hurtigt. På bare et par timer steg Guadalupe-flodens vandstand kraftigt fra mindre end 3 fod til over 34 fod i nogle områder. Vandet brød gennem sine bredder og skyllede hjem, køretøjer og liv væk.

En sjælden blanding af vejrforhold forårsagede katastrofen - fugt fra resterne af den tropiske storm Barry kombineret med andre storme, der bevægede sig hen over området. Regionens jord, der allerede var hærdet af tørke, kunne ikke absorbere den pludselige regnskyl. Som følge heraf faldt der mere end 10 cm regn nogle steder inden for bare tre timer. Få mennesker i området havde nogensinde set nedbør af denne intensitet.

Samfund som Kerrville blev hårdest ramt. Mindst 135 mennesker døde, heriblandt 37 børn og ansatte fra Camp Mystic, en sommerlejr beliggende langs floden. Hele kvarterer blev oversvømmet. Mange virksomheder blev beskadiget eller ødelagt. Veje, broer og kritisk infrastruktur kollapsede. Eksperter anslår de samlede tab til mellem 18 og 22 milliarder dollars, hvilket gør det til en af de dyreste naturkatastrofer i regionens historie.

Nødtjenesterne var overbelastede. Den nationale vejrtjeneste udsendte over 22 advarsler og oversvømmelsesvarsler dagen før. Men vandet steg for hurtigt. I nogle områder gav prognoser fra forskellige modeller blandede resultater. Dette forårsagede forvirring og forsinkede nogle evakueringsbeslutninger. I flere byer virkede nødsirener ikke. Mange mennesker fik ikke tilstrækkelig advarsel i tide. Strømsvigt og problemer med mobilnetværket gjorde det også svært for redningsmandskab at nå folk eller dele information.

Under krisen blev platforme som X (tidligere Twitter) vigtige kilder til opdateringer. Folk postede videoer og bad om hjælp. Frivillige brugte disse beskeder til at organisere redningsindsatsen. Mange opslag blev dog ikke verificeret. Dette førte til forvirring og spredte til tider falske oplysninger.

Oversvømmelserne i 2025 fremhævede betydelige mangler i statens katastrofeberedskabssystem. Prognoser kunne ikke holde trit med stormens hastighed; kommunikationsfejl og manglende koordinering forværrede skaderne yderligere. Tragedien understregede behovet for forbedrede tidlige varslingssystemer, forbedret planlægning og mere pålidelig infrastruktur for at beskytte sårbare samfund i fremtiden.

Hvorfor AI ikke kunne forudsige oversvømmelserne i Texas korrekt

Oversvømmelserne i Texas i juli 2025 viste, at AI-systemer stadig langt fra er perfekte. Disse systemer formåede ikke at give klare og tidlige advarsler. Mange tekniske og menneskelige problemer opstod. Disse omfattede manglende data, svage modeller, dårlig kommunikation og begrænset brug af AI af redningshold. Problemerne diskuteres nedenfor:

Svage data og manglende information

Præcise og rettidige data er afgørende for, at AI effektivt kan forudsige oversvømmelser. Under oversvømmelserne i Texas i juli 2025 manglede mange små vandskel i det centrale Texas tilstrækkelige sensorer. Nogle steder svigtede vandløbsmålere eller nåede deres maksimale grænse på grund af ekstreme forhold. Dette gjorde det vanskeligt at indsamle pålidelige data i de mest kritiske timer.

NASAs SMAP Satellitter giver nyttige data om jordfugtighed, men deres opløsning, der spænder fra 9 til 36 kilometer, er for grov til lokale oversvømmelsesforudsigelser. Tidligere havde SMAP en radarsensor, der tilbød højere opløsning, der spændte fra 1 til 3 kilometer. Den stoppede med at virke i 2015. Nu bruges kun radiometeret, som ikke kan registrere hurtige, små ændringer. Dette er en betydelig forskel i steder som det centrale Texas, hvor pludselige oversvømmelser kan variere inden for blot én kilometer. Uden finkornede data har AI-værktøjer svært ved at give præcise og tidlige oversvømmelsesvarsler.

Vejrradarsystemer havde også problemer under oversvømmelserne i Texas. Kraftig regn i bakkede områder forårsagede signaltab og spredning, hvilket reducerede nøjagtigheden af nedbørsmålingerne. Dette skabte blinde vinkler, der påvirkede både traditionelle og AI-baserede oversvømmelsesprognoser.

Platformer som Google Oversvømmelseshub kombinerer satellitbilleder, radardata, sensorinput og tidligere oversvømmelsesregistreringer. Men uden lokale data i realtid fra vandløbsmålere og sensorer mister disse systemer nøjagtighed. Under oversvømmelserne i 2025 var mange datakilder ikke fuldt forbundet. Satellit-, radar- og jordsensordata blev ofte behandlet separat, hvilket resulterede i forsinkelser og dårlig koordinering. Dette begrænsede AI'ens evne til at spore oversvømmelsen i realtid.

AI-værktøjer har brug for hurtige, komplette og velintegrerede data. I dette tilfælde gjorde manglende og usynkroniserede input det svært for dem at forudsige, hvordan oversvømmelsen ville udvikle sig.

AI-modeller var ikke klar til ekstrem nedbør

Oversvømmelserne i Texas i juli 2025 afslørede betydelige huller i både traditionelle og AI-baserede prognosesystemer. I dele af det centrale Texas faldt der mere end 10 cm regn inden for en periode på tre timer. På sit højeste nåede regnen 4 cm i timen. Meteorologer beskrev dette som en 500-års oversvømmelse, en begivenhed med en 0.2% chance for at forekomme i et givet år.

De fleste AI-modeller, der bruges til vejr- og oversvømmelsesforudsigelser, er trænet på baggrund af tidligere data. De fungerer godt, når vejret følger kendte mønstre. Men de fejler ofte under ekstreme eller sjældne hændelser. Disse kaldes hændelser uden for fordelingen. Oversvømmelsen i Texas var en sådan begivenhed. Modellerne havde ikke set noget lignende før, så deres forudsigelser var unøjagtige eller forsinkede.

Andre problemer gjorde tingene værre. Regionen havde oplevet tørke, så den tørre jord kunne ikke absorbere vand hurtigt. Det bakkede terræn øgede afstrømningen. Floder steg hurtigt og oversvømmede. Fysikbaserede modeller kan simulere sådanne komplekse situationer. Men mange AI-modeller kan ikke. De mangler fysisk ræsonnement og giver nogle gange resultater, der ser korrekte ud, men ikke er realistiske.

Kommunikations- og varslingssystemerne fungerede ikke godt

AI-forudsigelser hjælper kun, når de leveres tydeligt og til tiden. I Texas skete dette ikke. National Weather Service (NWS) anvendte modeller, såsom Hurtig opdatering i høj opløsning (HRRR), som forudsagde kraftig regn 48 timer før oversvømmelserne. Men advarslerne var ikke klare. AI-output viste gitre og sandsynligheder. Lokale embedsmænd havde brug for simple advarsler. Det var fortsat en teknisk udfordring at omsætte komplekse data til klare advarsler.

Nødalarmer mislykkedes også. CodeRED, et telefonbaseret system, skulle aktiveres manuelt. I nogle amter blev dette forsinket med 2 til 3 timer. Forældet software og svag integration med AI-værktøjer forårsagede problemer. AI-modeller kørte på cloud-systemer, men lokale myndigheder brugte ældre databaser. Disse kunne ikke håndtere data i realtid. I nogle tilfælde oversteg forsinkelserne i datadelingen 30 minutter.

Nogle private modeller klarede sig bedre. Vindbårenbruger for eksempel balloner i høj højde til at indsamle data. Dens modeller gav bedre lokaliserede regnprognoser end NWS-værktøjer. NWS var dog ikke i stand til at bruge dem i tide. Eksterne modeller krævede ugers validering. Der var heller ingen standard API'er til hurtig datadeling. WindBornes dataformat matchede ikke NWS-systemerne. Så selv præcise prognoser forblev ubrugte under nødsituationen.

Menneskelige problemer gjorde tingene værre

Menneskelige faktorer tilføjede yderligere tekniske problemer. Beredskabschefer blev overvældet af data. AI-modeller genererede forskellige output, herunder nedbørskort og oversvømmelsesrisikoniveauer. Disse kom fra forskellige kilder, såsom Google Flood Hub og NWS. Nogle gange stemte forudsigelserne ikke overens. Et system indikerede en oversvømmelsesrisiko på 60 %, mens et andet viste en risiko på 80 %; denne forvirring forsinkede embedsmændenes beslutninger.

Træning var også et problem. Mange lokale teams havde begrænset erfaring med AI. De kunne ikke forstå output fra komplekse modeller. Deep learning Systemer, såsom Flood Hub, var tilgængelige, men der er ingen beviser for, at de blev aktivt brugt eller forstået af lokale beredskabshold under krisen. Forklarelig AI Værktøjer, såsom SHAP, som forbedrer fortolkningsevnen, kunne have hjulpet med at håndtere situationen mere effektivt.

Derudover stod redningspersonalet over for en overvældende mængde information. De skulle behandle AI-genererede prognoser, radarbilleder og offentlige advarsler. Mængden og inkonsistensen af disse data bidrog til forsinkelser i indsatsen og øgede forvirringen.

Lærdomme og fremtiden for AI i katastrofehåndtering

Oversvømmelserne i det centrale Texas i juli 2025 demonstrerede potentialet ved kunstig intelligens i nødsituationer. Samtidig afslørede de store svagheder. Mens kunstig intelligens-systemer tilbød tidlige advarsler og prognoser, fejlede de ofte, når det gjaldt mest. For at forberede os bedre på fremtidige katastrofer skal vi lære af denne begivenhed. De vigtigste erfaringer er knyttet til datakvalitet, modeldesign, kommunikationshuller, klimatilpasning og samarbejde.

Svage datagrundlag begrænser AI-nøjagtighed

AI-systemer er afhængige af realtidsdata af høj kvalitet. I landdistrikter som Kerrville var der få vandløbsmålere. Dette efterlod store blinde vinkler. Som følge heraf kunne forudsigelserne ikke indfange lokale oversvømmelsesmønstre. Satellitdata hjalp, men de manglede detaljer. NASAs SMAP-sensor dækker for eksempel store områder, men med lav opløsning. Lokale jordsensorer er nødvendige for at forfine sådanne data.

En løsning er at udvide sensornetværk i højrisikoområder. En anden er at inddrage lokalsamfundene. I Assam, Indien, har lokale myndigheder implementeret mobilbaserede vejrstationer og afprøvet værktøjer til borgerrapportering for at forbedre dækningen i oversvømmelsestruede områder. Et lignende system i Texas kunne involvere skoler og lokale grupper i at rapportere tegn på oversvømmelse.

AI-modeller kræver resonemang fra den virkelige verden

De fleste nuværende AI-modeller lærer af mønstre, ikke af fysik. De kan forudsige nedbør, men har svært ved at modellere reel oversvømmelsesadfærd præcist. Deep learning-systemer formår ofte ikke at indfange, hvordan floder stiger og løber over. Under oversvømmelserne i Texas undervurderede nogle modeller vandfaldet. Dette forsinkede vigtige beslutninger.

Hybridmodeller er en bedre løsning. Disse kombinerer AI med fysikbaserede systemer for at forbedre realisme og tillid. For eksempel bruger Googles Flood Forecasting Initiative en hybrid tilgang, der blander en hydrologisk model (baseret på maskinlæring) med en oversvømmelsesmodel (baseret på fysisk simulering). Dette system har vist forbedret nøjagtighed og pålidelighed i forbindelse med forudsigelser af oversvømmelser i floder i mere end 100 lande.

Kommunikationshuller gjorde tingene værre

Under oversvømmelserne producerede AI-systemer nyttige prognoser. Informationen nåede dog ikke de rette personer til tiden. Mange redningshold var allerede under pres. De modtog advarsler fra forskellige systemer. Nogle af beskederne var forvirrende eller endda modstridende. Dette forårsagede forsinkelser i handlingerne.

Et væsentligt problem var den måde, information blev delt på. Nogle redningsarbejdere var ikke trænet i at forstå AI-output. I mange tilfælde var værktøjerne tilgængelige, men lokale teams manglede den rette viden til at bruge dem effektivt.

Der er et klart behov for bedre kommunikationsværktøjer. Advarsler skal være klare, præcise og lette at reagere på. Japan bruger korte oversvømmelsesbeskeder, der inkluderer evakueringsinstruktioner. Disse advarsler hjælper med at reducere responstiden. Et lignende system kan være nyttigt i Texas.

Det er også vigtigt at præsentere AI-prognoser via velkendte platforme. For eksempel kan visning af oversvømmelsesvarsler på Google Maps hjælpe flere mennesker med at forstå risikoen. Denne tilgang kan understøtte hurtigere og sikrere beslutninger i nødsituationer.

Klimaekstremer bryder gamle modeller

Nedbøren i 2025 slog mange rekorder. De fleste AI-systemer forventede ikke så intenst vejr. Dette skete, fordi modellerne var trænet på tidligere data. Tidligere mønstre stemmer dog ikke længere overens med nutidens klima.

For at forblive nyttig skal AI opdateres oftere. Træningen bør omfatte nye klimascenarier og sjældne begivenheder. Globale datasæt, såsom dem fra IPCC, kan hjælpe. Modeller bør også testes i ekstreme tilfælde for at verificere deres evne til at håndtere fremtidige chok.

At arbejde sammen er stadig en udfordring

Mange organisationer havde nyttige værktøjer under krisen. De samarbejdede dog ikke effektivt. Vigtige data blev ikke delt til tiden. For eksempel indsamlede WindBorne data fra balloner i stor højde, der kunne forbedre oversvømmelsesprognoser. Men disse oplysninger blev forsinket på grund af tekniske problemer og juridiske begrænsninger.

Disse huller begrænsede det fulde udbytte af avancerede systemer. Offentlige og private organisationer brugte ofte separate modeller. Der var ingen realtidsforbindelse mellem dem. Dette gjorde det vanskeligere at skabe et klart og fuldstændigt billede af situationen.

For at forbedre dette har vi brug for fælles datastandarder. Systemer skal kunne dele information hurtigt og sikkert. Koordinering i realtid mellem forskellige modeller er også afgørende. Derudover kan indsamling af feedback fra lokalsamfund bidrage til at gøre systemerne mere præcise og effektive.

Teknologi udvikler sig, men har brug for støtte

Nye teknologier kan forbedre håndteringen af oversvømmelser. Men de kræver ordentlig infrastruktur og politisk støtte. En lovende metode er fysikbaseret kunstig intelligens. Denne kombinerer videnskabelig viden med maskinlæring for at forbedre forudsigelser af oversvømmelser. Forskningsgrupper, såsom dem på MIT, har testet denne tilgang for at gøre prognoser mere præcise og realistiske. Detaljerede resultater er dog endnu ikke offentligt tilgængelige.

Andre værktøjer, såsom droner og edge-enheder, hjælper også. De kan indsamle data i realtid, selv i områder, hvor jordsystemer er beskadigede eller mangler. I Holland viser simple offentlige dashboards oversvømmelsesrisiko ved hjælp af tydelige visuelle elementer. Dette hjælper folk med at forstå situationen og handle hurtigt.

Disse eksempler viser, at avancerede værktøjer også skal være brugervenlige. De bør forbindes med offentlige systemer, så både eksperter og lokalsamfund kan drage fordel af

The Bottom Line

Oversvømmelsesforudsigelser handler ikke længere kun om vejrkort og advarsler. Det involverer nu AI-systemer, satellitdata, lokale rapporter og hurtige kommunikationsværktøjer. Den virkelige udfordring er dog ikke kun at bygge smartere værktøjer – men at sikre, at de bruges effektivt af folk på jorden.

Oversvømmelserne i Texas i 2024 viste, hvordan forsinkelser, dårlig koordinering og uklare advarsler kan ophæve fordelene ved avanceret teknologi. For at forbedre os har vi brug for klare politikker, fælles systemer og værktøjer, som lokale teams kan forstå og handle hurtigt ud fra.

Lande som Japan og Holland viser, at det er muligt at kombinere intelligent prognose med nem offentlig adgang. Kunstig intelligens bør ikke kun forudsige oversvømmelser, men også hjælpe med at forhindre skader og redde liv. Fremtiden for oversvømmelseshåndtering afhænger af at kombinere innovation med handling, teknologi med tillid og intelligens med lokal beredskab. Denne balance vil definere, hvor godt vi tilpasser os de stigende klimarisici.